Часть 2: Влияние генеративного искусственного интеллекта на окружающую среду
В рамках нашей серии статей о влиянии генеративного искусственного интеллекта на окружающую среду, издание MIT News рассматривает некоторые способы, с помощью которых эксперты работают над снижением углеродного следа этой технологии.
Ожидается, что в следующем десятилетии потребности генеративного искусственного интеллекта в энергии будут продолжать резко возрастать.
Например, в отчёте Международного энергетического агентства за апрель 2025 года прогнозируется, что глобальный спрос на электроэнергию из центров обработки данных, где размещена вычислительная инфраструктура для обучения и развёртывания моделей искусственного интеллекта, более чем удвоится к 2030 году и составит около 945 тераватт-часов. Хотя не все операции, выполняемые в центре обработки данных, связаны с искусственным интеллектом, эта цифра чуть больше, чем потребление энергии в Японии.
Более того, анализ Goldman Sachs Research за август 2025 года прогнозирует, что около 60 процентов растущего спроса на электроэнергию в центрах обработки данных будет удовлетворяться за счёт сжигания ископаемого топлива, что увеличит глобальные выбросы углекислого газа примерно на 220 миллионов тонн. Для сравнения, при проезде на автомобиле с бензиновым двигателем 8 000 километров выделяется около 1 тонны углекислого газа.
Эти статистические данные ошеломляют, но в то же время учёные и инженеры в Массачусетском технологическом институте и по всему миру изучают инновации и меры по снижению растущего углеродного следа искусственного интеллекта — от повышения эффективности алгоритмов до переосмысления дизайна центров обработки данных.
Учёт выбросов углерода
Обсуждение снижения углеродного следа генеративного искусственного интеллекта обычно сосредоточено на «операционных выбросах» — выбросах, используемых мощными процессорами, известными как графические процессоры (GPU), внутри центра обработки данных. При этом часто игнорируются «воплощённые выбросы», которые представляют собой выбросы, созданные при строительстве центра обработки данных.
Об этом говорит Виджай Гадепалли, старший научный сотрудник лаборатории Линкольна при Массачусетском технологическом институте, который возглавляет исследовательские проекты в Лаборатории суперкомпьютеров Линкольна.
Строительство и модернизация центров обработки данных, построенных из тонн стали и бетона и заполненных кондиционерами, вычислительным оборудованием и километрами кабелей, потребляет огромное количество углерода.
Кроме того, центры обработки данных — это огромные здания. Самый большой в мире центр обработки данных, China Telecomm-Inner Mongolia Information Park, занимает примерно 10 миллионов квадратных футов, и его энергоёмкость в 10–50 раз выше, чем у обычного офисного здания, — добавляет Гадепалли.
«Операционная сторона — это только часть истории. Некоторые вещи, над которыми мы работаем для снижения операционных выбросов, могут также способствовать снижению воплощённых выбросов, но нам нужно сделать больше в этом направлении в будущем», — говорит он.
Снижение операционных выбросов углерода
Когда речь идёт о снижении операционных выбросов углерода в центрах обработки данных, связанных с искусственным интеллектом, можно провести много параллелей с мерами по энергосбережению в домашних условиях. Например, мы можем просто выключить свет.
«Даже если у вас дома самые неэффективные лампочки с точки зрения энергоэффективности, их выключение или приглушение всегда будет потреблять меньше энергии, чем их работа на полную мощность», — говорит Гадепалли.
Аналогичным образом исследования из Суперкомпьютерного центра показали, что «приглушение» графических процессоров в центре обработки данных, чтобы они потребляли примерно три десятых энергии, минимально влияет на производительность моделей искусственного интеллекта, а также упрощает их охлаждение.
Ещё одна стратегия — использование менее энергоёмкого вычислительного оборудования.
Для выполнения ресурсоёмких задач, связанных с генеративным искусственным интеллектом, таких как обучение новых моделей рассуждений, подобных GPT-5, обычно требуется одновременная работа множества графических процессоров.
Но инженеры иногда могут добиться аналогичных результатов, снизив точность вычислительного оборудования, возможно, переключившись на менее мощные процессоры, настроенные для выполнения определённой рабочей нагрузки искусственного интеллекта.
Также существуют меры, повышающие эффективность обучения энергоёмких моделей глубокого обучения перед их развёртыванием.
Группа Гадепалли обнаружила, что около половины электроэнергии, используемой для обучения модели искусственного интеллекта, тратится на достижение последних 2–3 процентных пунктов точности. Остановка процесса обучения на ранней стадии может сэкономить значительную часть этой энергии.
«Могут быть случаи, когда 70-процентной точности будет достаточно для одного конкретного приложения, например, для системы рекомендаций в электронной коммерции», — говорит он.
Исследователи также могут воспользоваться мерами по повышению эффективности.
Например, аспирант в Суперкомпьютерном центре понял, что группа может запустить тысячу симуляций в процессе обучения, чтобы выбрать две или три лучшие модели искусственного интеллекта для своего проекта.
Создав инструмент, который позволил им избежать примерно 80 процентов этих ненужных вычислительных циклов, они значительно снизили энергетические затраты на обучение без снижения точности модели.
Использование улучшений эффективности
Постоянные инновации в области вычислительного оборудования, такие как более плотные массивы транзисторов на полупроводниковых чипах, по-прежнему обеспечивают значительные улучшения в энергоэффективности моделей искусственного интеллекта.
Несмотря на то что с 2005 года темпы повышения энергоэффективности большинства чипов замедлились, количество вычислений, которые могут выполнять графические процессоры на джоуль энергии, улучшалось на 50–60 процентов каждый год, — говорит Нил Томпсон, директор проекта FutureTech Research в Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института и главный исследователь в Инициативе Массачусетского технологического института по цифровой экономике.
«Всё ещё продолжающаяся тенденция «закона Мура» по увеличению количества транзисторов на чипе всё ещё имеет значение для многих из этих систем искусственного интеллекта, поскольку параллельное выполнение операций по-прежнему очень ценно для повышения эффективности», — говорит Томпсон.
Более того, исследования его группы показывают, что прирост эффективности за счёт новых архитектурных моделей, которые могут решать сложные задачи быстрее, потребляя меньше энергии для достижения тех же или лучших результатов, удваивается каждые восемь или девять месяцев.
Томпсон ввёл термин «негафлоп» для описания этого эффекта. Так же, как «негаватт» представляет собой экономию электроэнергии за счёт энергосберегающих мер, «негафлоп» — это вычислительная операция, которую не нужно выполнять из-за алгоритмических улучшений.
Это могут быть такие вещи, как «обрезка» ненужных компонентов нейронной сети или использование методов сжатия, которые позволяют пользователям делать больше с меньшими вычислениями.
«Если сегодня вам нужно использовать действительно мощную модель для выполнения вашей задачи, то через несколько лет вы сможете использовать значительно меньшую модель для выполнения той же задачи, что будет иметь гораздо меньшую нагрузку на окружающую среду. Повышение эффективности этих моделей — наиболее важная вещь, которую вы можете сделать для снижения экологических затрат на искусственный интеллект», — говорит Томпсон.
Максимизация экономии энергии
Хотя сокращение общего энергопотребления алгоритмов искусственного интеллекта и вычислительного оборудования сократит выбросы парниковых газов, не вся энергия одинакова, — добавляет Гадепалли.
«Количество выбросов углерода в 1 киловатт-час значительно различается даже в течение дня, а также в течение месяца и года», — говорит он.
Инженеры могут воспользоваться этими различиями, используя гибкость рабочих нагрузок искусственного интеллекта и операций центров обработки данных для максимизации сокращения выбросов. Например, некоторые рабочие нагрузки генеративного искусственного интеллекта не обязательно должны выполняться в полном объёме одновременно.
Расщепление вычислительных операций таким образом, чтобы некоторые из них выполнялись позже, когда большая часть электроэнергии, подаваемой в сеть, поступает из возобновляемых источников, таких как солнечная энергия и ветер, может иметь большое значение для сокращения углеродного следа центра обработки данных, — говорит Диджоти Дека, научный сотрудник Инициативы Массачусетского технологического института в области энергетики.
Дека и его команда также изучают «умные» центры обработки данных, где рабочие нагрузки искусственного интеллекта нескольких компаний, использующих одно и то же вычислительное оборудование, гибко настраиваются для повышения энергоэффективности.
«Рассматривая систему в целом, мы надеемся минимизировать потребление энергии, а также зависимость от ископаемого топлива, сохраняя при этом стандарты надёжности для компаний и пользователей искусственного интеллекта», — говорит Дека.
Он и другие сотрудники MITEI создают модель гибкости центра обработки данных, которая учитывает различия в энергопотреблении при обучении модели глубокого обучения и развёртывании этой модели. Они надеются найти лучшие стратегии планирования и оптимизации вычислительных операций для повышения энергоэффективности.
Исследователи также изучают возможность использования в центрах обработки данных накопителей энергии большой продолжительности, которые накапливают избыточную энергию для использования в периоды, когда она необходима.
С помощью этих систем центр обработки данных может использовать накопленную энергию, которая была произведена из возобновляемых источников в период высокого спроса, или избежать использования дизельных резервных генераторов в случае колебаний в сети.
«Накопители энергии большой продолжительности могут изменить правила игры, потому что мы можем разработать операции, которые действительно изменят структуру выбросов системы, заставив её больше полагаться на возобновляемые источники энергии», — говорит Дека.
Кроме того, исследователи из Массачусетского технологического института и Принстонского университета разрабатывают программный инструмент для планирования инвестиций в энергетическом секторе под названием GenX, который может помочь компаниям определить идеальное место для размещения центра обработки данных, чтобы минимизировать воздействие на окружающую среду и затраты.
Расположение может оказать большое влияние на сокращение углеродного следа центра обработки данных. Например, компания Meta управляет центром обработки данных в Лулео, городе на побережье северной Швеции, где более низкие температуры снижают количество электроэнергии, необходимое для охлаждения вычислительного оборудования.
Решения на основе искусственного интеллекта
В настоящее время расширение производства возобновляемой энергии на Земле не успевает за быстрым ростом искусственного интеллекта, что является одним из основных препятствий на пути снижения его углеродного следа, — говорит Дженнифер Турлиук, бывший научный сотрудник Sloan, бывший руководитель практики в области климата и энергетики искусственного интеллекта в Центре предпринимательства имени Мартина при Массачусетском технологическом институте.
Местные, государственные и федеральные процессы рассмотрения, необходимые для новых проектов в области возобновляемой энергетики, могут занять годы.
Исследователи из Массачусетского технологического института и других организаций изучают возможность использования искусственного интеллекта для ускорения процесса подключения новых систем возобновляемой энергетики к электросети.
Например, генеративная модель искусственного интеллекта может упростить исследования по подключению, которые определяют, как новый проект повлияет на энергосистему, — шаг, который часто занимает годы.
И когда дело доходит до ускорения разработки и внедрения экологически чистых энергетических технологий, искусственный интеллект может сыграть важную роль.
«Машинное обучение отлично подходит для решения сложных ситуаций, а электрическая сеть считается одной из самых больших и сложных машин в мире», — добавляет Турлиук.
Например, искусственный интеллект может помочь оптимизировать прогнозирование генерации солнечной и ветровой энергии или определить идеальные места для новых объектов.
Его также можно использовать для профилактического обслуживания и обнаружения неисправностей солнечных панелей или другой инфраструктуры зелёной энергетики или для мониторинга пропускной способности передающих проводов для максимизации эффективности.
Помогая исследователям собирать и анализировать огромные объёмы данных, искусственный интеллект также может информировать целенаправленные политические меры, направленные на получение максимальной «отдачи от вложенных средств» в таких областях, как возобновляемая энергетика, — говорит Турлиук.
Чтобы помочь политикам, учёным и предприятиям рассмотреть многогранные затраты и выгоды от систем искусственного интеллекта, она и её соавторы разработали систему оценки чистого климатического воздействия.
Эта система представляет собой структуру, которую можно использовать для определения чистого климатического воздействия проектов в области искусственного интеллекта, учитывая выбросы и другие экологические затраты наряду с потенциальными экологическими выгодами в будущем.
В конечном счёте наиболее эффективные решения, скорее всего, будут результатом сотрудничества между компаниями, регулирующими органами и исследователями, причём академические круги будут играть ведущую роль, — добавляет Турлиук.
«Каждый день имеет значение. Мы находимся на пути, где последствия изменения климата не будут полностью известны, пока не станет слишком поздно, чтобы что-то с этим поделать. Это уникальная возможность для инноваций и сделать системы искусственного интеллекта менее углеродоёмкими», — говорит она.
1. Какие основные проблемы связаны с влиянием генеративного искусственного интеллекта на окружающую среду?
В статье говорится, что генеративный искусственный интеллект увеличивает потребность в энергии, особенно в центрах обработки данных. Это приводит к росту углеродного следа и выбросов парниковых газов. Например, прогнозируется, что глобальный спрос на электроэнергию из центров обработки данных более чем удвоится к 2030 году.
2. Какие меры предлагаются для снижения операционных выбросов углерода в центрах обработки данных?
Для снижения операционных выбросов предлагается несколько стратегий:
* «Приглушение» графических процессоров в центре обработки данных, чтобы они потребляли примерно три десятых энергии, минимально влияет на производительность моделей искусственного интеллекта.
* Использование менее энергоёмкого вычислительного оборудования.
* Остановка процесса обучения на ранней стадии, когда модель достигает достаточной точности, что может сэкономить значительную часть энергии.
* Повышение эффективности обучения энергоёмких моделей глубокого обучения перед их развёртыванием.
3. Какие инновации в области вычислительного оборудования способствуют повышению энергоэффективности моделей искусственного интеллекта?
В статье упоминается, что инновации в области вычислительного оборудования, такие как более плотные массивы транзисторов на полупроводниковых чипах, обеспечивают значительные улучшения в энергоэффективности моделей искусственного интеллекта. Например, количество вычислений, которые могут выполнять графические процессоры на джоуль энергии, улучшалось на 50–60 процентов каждый год.
4. Какие стратегии предлагаются для максимизации экономии энергии в центрах обработки данных?
Для максимизации экономии энергии предлагается использовать гибкость рабочих нагрузок искусственного интеллекта и операций центров обработки данных. Например, некоторые рабочие нагрузки генеративного искусственного интеллекта не обязательно должны выполняться в полном объёме одновременно. Расщепление вычислительных операций таким образом, чтобы некоторые из них выполнялись позже, когда большая часть электроэнергии поступает из возобновляемых источников, может иметь большое значение для сокращения углеродного следа центра обработки данных.
5. Какие возможности предоставляет искусственный интеллект для ускорения процесса подключения новых систем возобновляемой энергетики к электросети?
В статье говорится, что искусственный интеллект может упростить исследования по подключению, которые определяют, как новый проект повлияет на энергосистему. Например, генеративная модель искусственного интеллекта может ускорить процесс подключения новых систем возобновляемой энергетики к электросети, оптимизируя прогнозирование генерации солнечной и ветровой энергии или определяя идеальные места для новых объектов.